Cartesian积的局部边-路替换图的L(2,1)-标号

设d为正整数,图G的一个L(d,1)-标号就是从非负整数集到V(G)的一个函数,且使得2个相邻顶点的标号相差至少是d,2个距离为2的顶点的标号相差至少为1.图G的L(d,1)-标号的跨度就是所有L(d,1)-标号的最大值和最小值之差.图G的L(d,1)-标号数是G的所有L(d,1)-标号下跨度的最小值.在已有研究图G的边-路替换图的L(d,1)-标号基础上,研究了Cartesian积的局部边-路替换图的L(2,1)-标号.

正则图Cartesian积的线图的秩

设G是一个顶点为n,度为r的正则图,那么它的边为m=1/2 nr.G的线图是顶点为m,度为(2r-2),边为1/2nr(r-1)的正则图.本文研究两个正则图或强正则图的Cartesian积图的线图的秩,得到了许多结果,推广了G.J.Davis,G.S.Domke等人的结论.

Fuzzy BCK-滤子的Cartesian积

本文对于有界BCK-代数X的任意fuzzy子集μ和ν证明了:当μ和ν是fuzzy BCK-滤子时,则μ×ν是X×X上的fuzzy BCK-滤子;反之,若μ×ν是X×X上的fuzzy BCK-滤子时,则μ或ν是X上的fuzzyBCK-滤子.另外还给出了μ上的最强fuzzy关系成为fuzzy BCK-滤子的条件.

Cartesian积图的关联色数与邻点可区别关联色数

图G的一个关联着色是指从关联集I(G)到颜色集C的一个映射,使得任意两个相邻的关联不着同色;而图G的邻点可区别关联着色是要求任何相邻顶点具有不同色集的关联着色。研究星分别与星、扇和轮的Cartesian积图的关联着色和邻点可区别关联着色,利用构造染色的方法,确定其关联色数与邻点可区别关联色数都是最大度加一。

路圈Cartesian积的局部替换图的L(1,1,1)-标号

图G的一个L(1,1,1)-标号就是从顶点集V(G)到非负整数集的一个映射f,使得当d(u,v)=1,2,3时,都有|f(u)-f(v)|≥1.不妨设0为最小标号,则称图G的所有L(1,1,1)-标号中最大跨度f(v)的最小数为图G的L(1,1,1)-标号数,记为λ_(1)(G).给出了一类路圈Cartesian.积的局部替换图的L(1,1,1)-标号数的确切值.

Cartesian积图的分解

若图G的边集能划分成两两不相交的若干个子集,使得每个子集都导出相同的子图H,则称G存在H分解。两个图Gi=(Vi,Ei)(i=1,2)的Cartesian积,记作G1□G2,其顶点集V=V1×V2,边集E={((u1,u2),(v1,v2))|u1=v1∈V1,u2v2∈E2或u2=v2∈V2,u1v1∈E1}。本文给出了路和圈的Cartesian积图存在P4分解的充要条件。

Cartesian积图的边泛圈性

网络中子图的可嵌入性是度量网络优劣的一个重要性能。圈作为网络拓扑中一类重要的子图,其可嵌入性可以通过泛圈性来度量。Cartesian积图是互联网络拓扑结构中一类非常重要的图类。设G是长为k1和k2的圈的Cartesian积图。利用Cartesian积图的顶点和边的传递性,证明了当k1≥3,k2≥3,G是边偶泛圈的;当k1,k2均为奇数时,G是(k1+k22)-边泛圈的。

图的Cartesian积结构分析及其Hedetniemi染色猜想

利用Cartesian积等价地表示出极大扩容图的代数结构,对Hedetniemi染色猜想进行了研究.根据极大扩容图的代数结构性质及与原图的关系,证明了简单图的若干次扩容图满足Hedetniemi染色猜想,得到了对Hedetniemi染色猜想成立的无限类图.

Cartesian积与邻点可区别着色之间的关系（英文）

图G的一个正常k-边着色是指k种颜色1,2,…,k对图G各边的一个分配,使得任意2条相邻边染以不同的颜色.对于图G的一个正常边染色f和G中任何一个顶点x,Sf(x)或S(x)表示与顶点x关联的边在f下的颜色所构成的集合.若对于图G中任意2个相邻顶点u和v,有S(u)≠S(v),则称f为图G的邻点可区别正常边染色.对图G进行邻点可区别正常边染色所需的最少颜色数,称为G的邻点可区别正常边色数,记为χ′a(G).图G的一个正常k-全染色是指k种颜色对图G的顶点和边的一个分配,使得任意2个相邻的或相关联元素染以不同的颜色.对于图G的一个正常全染色g和G中任何一个顶点x,使用Cg(x)或C(x)来表示顶点x的颜色(在g下)以及与顶点x关联的边在g下的颜色所构成的集合.若对于G中任意2个相邻顶点u和v,有C(u)≠C(v),则称g为图G的邻点可区别全染色.图G的邻点可区别全染色所需的最少颜色数称为图G的邻点可区别正常全色数,记为χ″a(G).主要讨论了Cartesian积和2种邻点可区别染色之间的关系.

Cartesian积图的最大拉普拉斯特征值

设G=(V(G)),E(G)),H=(V(H),E(H))是两个简单的连通图,定义与的Cartesian积G×H图是:其顶点集为V(G×H)=V(G)×V(H),其中任何两个顶点(u,u'),(v,v'),相邻当且仅当u=v且u',v'在H中相邻;或u'=v'且u,v在G中相邻,这里u,v∈V(G),u',v'∈V(H).本文研究两个图的Cartesian图的拉普拉斯矩阵的最大特征值,得到如下结论:设简单图G具有n顶点m条边,图H具有P个顶点q条边,那么G和H的Cartesian积图G×H的拉普拉斯最大特征值p(L(G×H))≤2m/n[1+(n-1)(((n3/4m2)-(1/n-1))～(1/2))]+((2p-1)～(1/2))+1.

BCK代数中Fuzzy蕴涵理想的Cartesian积

讨论BCK -代数中fuzzy理想的Cartesian积及最强fuzzy关系的问题.证明了:若μ和ν是BCK -代数X上的fuzzy蕴涵理想,则μ×ν是X×X上的fuzzy蕴涵理想;反之,若μ×ν是X×X上的fuzzy蕴涵理想,则μ或ν是X上的fuzzy蕴涵理想;最后给出了μ上最强fuzzy关系成为fuzzy蕴涵理想的条件.

基于图卷积神经网络的节点分类方法研究综述

节点分类任务是图领域中的重要研究工作之一。近年来随着图卷积神经网络研究工作的不断深入,基于图卷积神经网络的节点分类研究及其应用都取得了重大进展。图卷积神经网络是基于卷积发展出的一类图神经网络,能处理图数据且具有卷积神经网络的优点,已成为图节点分类方法中最活跃的一个研究分支。对基于图卷积神经网络的节点分类方法的研究进展进行综述,首先介绍图的相关概念、节点分类的任务定义和常用的图数据集;然后探讨两类经典图卷积神经网络——谱域和空间域图卷积神经网络,以及图卷积神经网络在节点分类领域面临的挑战;之后从模型和数据两个视角分析图卷积神经网络在节点分类任务中的研究成果和未解决的问题;最后对基于图卷积神经网络的节点分类研究方向进行展望,并总结全文。

扶金化积丸对环磷酰胺治疗Lewis肺癌荷瘤小鼠的化疗增敏作用及机制

目的探讨扶金化积丸对环磷酰胺治疗Lewis肺癌荷瘤小鼠化疗增敏的作用及机制。方法选取健康C57BL/6小鼠接种Lewis肺癌瘤株造模。小鼠随机分成正常组、荷瘤对照组、扶金化积丸组、环磷酰胺组、扶金化积丸+环磷酰胺组。各组药物干预后,检测荷瘤小鼠瘤重、瘤体体积、计算抑瘤率及器官指数。全自动血液分析仪进行血细胞计数及血红蛋白浓度检测。酶联免疫吸附试验检测血清中肿瘤坏死因子-α、白细胞介素2、γ干扰素的含量。苏木素-伊红染色观察瘤组织病理学改变。免疫组化法检测基质金属蛋白酶9、核因子κB的表达。结果与环磷酰胺组比较,扶金化积丸+环磷酰胺组瘤瘤重、瘤体体积显著减小(P<0.05);脾脏、胸腺指数显著增大(P<0.001);红细胞、白细胞、血小板数目及血红蛋白浓度均显著升高(P<0.01,P<0.001);肿瘤坏死因子-α及白细胞介素2含量均显著升高(P<0.05,P<0.001);瘤组织核固缩较多,有明显坏死及出血现象,出现细胞凋亡;基质金属蛋白酶9、核因子κB表达降低,但差异无统计学意义(P>0.05)。结论扶金化积丸可增强环磷酰胺对Lewis肺癌荷瘤小鼠的抑瘤作用,其机制与增强机体免疫有关。

沾化凹陷孤北洼陷东三段沉积体系类型及差异分布

沾化凹陷孤北洼陷东营组油气资源十分丰富,但沉积类型及其分布制约了油气勘探方向和精细勘探。文中综合孤北洼陷钻测井、岩心和三维地震资料,详细研究了东营组东三段沉积类型及其时空分布特征。结果表明:1)孤北洼陷东三段(Ed3)发育近岸水下扇、辫状河三角洲、滑塌浊积扇、滨浅湖和半深湖—深湖沉积。2)东三段沉积类型时空分布差异性特征明显。西缘陡坡带发育近源砂砾岩与暗色泥岩组合的近岸水下扇;南侧和东侧缓坡带发育辫状河三角洲;洼陷内发育湖相泥岩,断裂带附近多为滑塌浊积扇。3)沉积相带影响了储层质量。距源区越远,结构成熟度越高,则有利储层越发育;滑塌浊积扇相带储层质量优于辫状河三角洲相带,近岸水下扇相带相对较差。

基于尿液代谢组学的小儿积滞体质代谢特征分析

目的基于超高效液相色谱-四级杆-静电场轨道阱高分辨质谱联用(UPLC-QE-MS)技术的尿液代谢组学方法,寻找与小儿积滞体质相关的潜在生物标志物,探究积滞体质形成的代谢特征。方法依照侯江红教授制定的中医儿童体质分型与判定标准,纳入积滞体质与健康体质志愿者各30例。采集两组志愿者的尿液样品,利用UPLC-QE-MS技术进行尿液样品检测和数据采集,结合无监督的主成分分析法(PCA)和正交信号校正的偏最小二乘判别分析法(OPLS-DA)统计处理数据,以变量投影重要度(VIP)>1,P<0.05为卡值标准筛选积滞体潜在生物标志物,将筛选得到的差异代谢物导入到KEGG数据库,通过富集和拓扑分析,寻找相关性最强的关键途径。结果积滞体质与健康体质OPLS-DA得分图表明两种体质之间存在明显差异。在正、负离子模式下共鉴定出43个与积滞体质相关的潜在生物标志物,其中3个标志物涉及色氨酸代谢、脂肪酸代谢等5条通路。结论积滞体质潜在生物标志物主要参与苯丙氨酸、酪氨酸和色氨酸代谢,脂肪酸代谢,β-丙氨酸代谢,烟酸和烟酰氨代谢,嘧啶代谢等途径,对机体的影响与积滞体质免疫力低下、易感冒、大便干结、易口疮和苔腻等状态相符,为儿童体质分型和判定标准提供客观化依据。

图卷积神经网络综述

图卷积神经网络是图论与深度学习的交叉,已成为机器学习领域的研究热点。基于此,介绍了图卷积神经网络的形成,梳理了两大类经典的图卷积神经网络:谱方法和空间方法,详细介绍了这两类图卷积神经网络模型,分析了图卷积操作的核心理论基础,介绍了图卷积神经网络在各领域的应用,总结了图卷积神经网络面临的主要挑战,展望了图卷积神经网络的发展趋势,并分析了图卷积神经网络在野外环境下蝴蝶识别任务中的潜在应用。

联合异质图卷积网络和注意力机制的假新闻检测

社交媒体平台的开放性和包容性为人们提供了自由的表达方式,但也引发了新的社会问题,假新闻在社交平台层出不穷,会引起公众恐慌,侵害人们的精神健康,这使得假新闻检测尤为必要.现有的假新闻检测方法大多侧重于从文本内容、用户和传播模式中挖掘有效信息,但是这些方法没有充分利用文本内容的全局语义关系.为了有效融合新闻内容的全局语义信息和新闻传播的全局结构关系,本文提出一种基于元路径的推文-词-用户异质图卷积注意力框架HGCAN,根据元路径将构建的推文-词-用户异质图分解为两个子图,通过图卷积网络提取传播结构特征,利用注意力机制聚合邻居节点的信息并学习子图重要性,从而有效学习节点的特征表示.在两个公开数据集上的实验结果表明,相比于其他方法,本文方法在准确率和F1指标上都取得了较为先进的结果.

基于交替注意力机制和图卷积网络的方面级情感分析模型

方面级情感分析旨在预测给定文本中特定目标的情感极性。针对忽略方面词和上下文之间的句法关系和平均池化带来的注意力差异性变小的问题,提出一种基于交替注意力(AA)机制和图卷积网络(GCN)的方面级情感分析模型(AA-GCN)。首先,利用双向长短期记忆(Bi-LSTM)网络对上下文和方面词进行语义建模;其次,通过基于句法依存树的GCN学习位置信息和依赖关系,再利用AA机制进行多层次交互学习,自适应地调整对目标词的关注度;最后,拼接修正后的方面特征和上下文特征,得到最终的分类依据。相较于基于目标依赖的图注意力网络(TDGAT),所提模型在4个公开数据集上准确率提升了1.13%~2.67%,在5个公开数据集上F1值提升了0.98%~4.89%,验证了利用句法关系和提升关键词关注度的有效性。

压缩感知和图卷积神经网络相结合的宽频振荡扰动源定位方法

新能源并网引发的宽频振荡严重威胁电网安全,实现宽频振荡源的在线定位并及时采取抑制措施以保证系统安全稳定尤为必要。为此,提出一种压缩采样和图卷积神经网络相结合的宽频振荡源定位方法,该方法首先在子站对时序的振荡信号进行稀疏采样,获得其低维观测序列,作为节点的时序信息,然后在主站融合系统的拓扑结构捕捉各节点的邻接关系,综合考虑系统振荡的时空特性,运用图卷积神经网络实现振荡源定位。最后利用宽频振荡样本集进行仿真验证,结果表明所提方法在量测数据含有噪声、传输数据缺失以及传输数据偏差的情况下都有较高的定位准确度。

南非奥特尼夸盆地构造沉积演化与油气成藏

南非奥特尼夸盆地油气勘探程度非常低,2019年与2020年连续的天然气大发现吸引了国内外油气公司广泛关注。基于IHS数据库、新项目评价及文献等资料,综合分析表明:奥特尼夸盆地经历了二叠纪以来的前裂谷、同裂谷、过渡期和裂谷后4个演化阶段;主要沉积了裂谷期陆相碎屑岩及过渡期–裂谷后的海相碎屑岩。盆地主力烃源岩为豪特里维阶和巴雷姆–阿普特阶海相页岩;发育了同裂谷期凡兰吟阶顶部浅海相砂岩和漂移早期阿尔比阶海相深水碎屑岩两套重要的储集层,储盖组合条件优越;共形成了巴雷姆–阿尔比阶砂岩、凡兰吟−豪特里维阶砂岩、上侏罗统−下白垩统砂岩和基底4套成藏组合。油气分布呈“西多东少”格局,目前应以Bredasdorp次盆大陆边缘深水区白垩系透镜状浊积砂岩为勘探重点。